Javamatrixmath库的性能？
我们正在计算一些运行时受matrix运算约束的东西。 （如果感兴趣，下面有些细节。）这个经验提示下面的问题：
民间有经验的matrixmath（例如，乘法，逆等）Java库的性能？ 例如：
- JAMA
- 小马
- 阿帕奇公用math
我search，什么也没找
我们的速度比较的细节：
我们正在使用英特尔FORTRAN（ifort（IFORT）10.1 20070913）。 我们已经用Java（1.6）重新实现了它，使用了Apache commons math 1.2matrix操作，并且它同意所有的数字的准确性。 （我们有理由希望在Java中。）（Java双打，Fortran真正* 8）。 Fortran：6分钟，Java 33分钟，同一台机器。 jvisualm分析显示在RealMatrixImpl中花了很多时间{getEntry，isValidCoordinate}（似乎已经在未发行的Apache commons math 2.0中消失了，但是2.0不会更快）。 Fortran正在使用Atlas BLAS例程（dpotrf等）。
显然这可能取决于我们在每种语言中的代码，但是我们相信大部分时间是在等效的matrix运算中。
在其他一些不涉及库的计算中，Java的速度并不是很慢，有时候要快得多。
只要加我2分钱。 我比较了一些这些库。 我试图matrix乘以一个3000×3000的双打matrix。 结果如下。
使用C / C ++，Octave，Python和R的multithreadingATLAS，花费的时间约为4秒。
使用Java与Java，所花费的时间是50秒。
和Java一起使用Colt和Parallel Colt，花费的时间是150秒！
使用JBLAS和Java，JBLAS使用multithreadingATLAS的时间又是4秒左右。
所以对我来说，很显然，Java库的performance并不好。 但是，如果有人需要使用Java进行编码，那么最好的select是JBLAS。 贾马，柯尔特和平行柯尔特并不快。
我是Javamatrix基准（Java Matrix Benchmark， JMatBench ）的作者，我将就这个讨论给出我的想法。
Java库存在显着的差异，虽然在整个运营范围内没有明显的优势，但从最新的业绩结果 （2013年10月）中可以看到一些明确的领导者。
如果您正在使用“大型”matrix，并且可以使用本地库，那么明确的获胜者（大约3.5倍）就是使用系统优化的netlib的 MTJ 。 如果您需要一个纯粹的Java解决scheme，那么MTJ ， OjAlgo ， EJML和Parallel Colt都是不错的select。 对于小型matrix，EJML是明显的赢家。
我没有提到的图书馆显示了重大的性能问题或缺less关键function。
我是jblas的主要作者，并且想指出我已经在2009年12月下旬发布了1.0版。我在包装上做了很多工作，这意味着你现在可以下载一个带有ATLAS和JNI库的“fat jar”适用于Windows，Linux，Mac OS X，32位和64位（Windows除外）。 这样，只要将jar文件添加到类path中就可以获得本机性能。 查看http://jblas.org ！
在http://code.google.com/p/java-matrix-benchmark/上提供了各种可用于Java的matrix软件包的基准testing，并提供了几种不同的硬件configuration。; 但是这不能替代你自己的基准。
性能会随着硬件types（CPU，内核，内存，L1-3caching，总线速度），matrix大小以及您打算使用的algorithm而变化。 不同的库对不同的algorithm需要不同的并发性，所以没有单一的答案。 你也可能发现翻译成本地库所期望的forms的开销会否定你的用例的性能优势（一些java库有更多关于matrix存储的灵活选项，可用于进一步的性能优化）。
一般来说，JAMA，Jampack和COLT正在变老，并不代表Java中线性代数的现有性能状态。 更现代的库可以更有效地使用多个内核和cpucaching。 JAMA是一个参考实现，几乎没有实现教科书algorithm的性能。 COLT和IBM Ninja是第一个用Java表示java性能的java库，即使它们落后于本地库的50％。
我只是比较了Apache Commons Math和jlapack。
testing：对一个随机的1024x1024matrix进行奇异值分解。
机器：Intel（R）Core（TM）2 Duo CPU E6750 @ 2.66GHz，linux x64
八度码：A = rand（1024）; 抽动; [U，S，V] = SVD（A）; TOC
结果执行时间
-------------------------------------------------- -------
倍频36.34秒
JDK 1.7u2 64bit
jlapack dgesvd 37.78秒
apache的常见问题mathSVD 42.24秒
JDK 1.6u30 64bit
jlapack dgesvd 48.68秒
apache的常见问题mathSVD 50.59秒
原生例程
Lapack *从C引用：37.64秒
英特尔MKL 6.89秒（！）
我的结论是从JDK 1.7调用的jlapack非常接近lapack的本地二进制performance。 我使用Linux发行版附带的lapack二进制库，并调用dgesvd例程来获取U，S和VTmatrix。 所有testing都是在每次运行完全相同的matrix上使用双精度（Octave除外）完成的。
免责声明 – 我不是线性代数的专家，不隶属于任何上述图书馆，这不是一个严格的基准。 这是一个“自制”的testing，因为我有兴趣比较JDK 1.7的性能提高到1.6以及常见的mathSVD到jlapack。
Jeigen https://github.com/hughperkins/jeigen
- 包装Eigen C ++库http://eigen.tuxfamily.org ，这是最快的免费C ++库之一
- 相对简洁的语法，例如'mmul'，'sub'
- 处理稠密matrix和稀疏matrix
一个快速的testing，通过乘以两个密集matrix，即：
import static jeigen.MatrixUtil。*;
int K = 100; int N = 100000; DenseMatrix A = rand(N, K); DenseMatrix B = rand(K, N); Timer timer = new Timer(); DenseMatrix C = B.mmul(A); timer.printTimeCheckMilliseconds();
结果：
Jama: 4090 ms Jblas: 1594 ms Ojalgo: 2381 ms (using two threads) Jeigen: 2514 ms
- 与jama相比，一切都更快：-P
- 与jblas相比，Jeigen不是那么快，但是处理稀疏matrix。
- 与Ojalgo相比，Jeigen花费大约相同的时间，但只使用一个核心，所以Jeigen使用总CPU的一半。 Jeigen有一个很好的语法，比如'mmul'和'multiplyRight'
我不能真正评论特定的库，但原则上这样的操作在Java中速度较慢的原因很less。 热点一般是你希望编译器做的事情：它将Javavariables的基本math运算编译为相应的机器指令（它使用SSE指令，但每个操作只有一个）; 访问数组的元素被编译为使用“原始”MOV指令，如你所期望的; 它可以决定如何分配variables到寄存器; 它重新命令指令来利用处理器体系结构…一个可能的例外是，正如我所提到的，Hotspot只会对每个SSE指令执行一个操作; 原则上你可以有一个非常优化的matrix库，每个指令执行多个操作，但是我不知道你的特定的FORTRAN库是否这样做，或者如果这样的库甚至存在。 如果是这样的话，Java（或者至lessHotspot）目前还没有办法与之竞争（尽pipe你当然可以编写自己的本地库和这些优化来从Java调用）。
那么这是什么意思？ 好：
- 原则上，找一个性能更好的图书馆是值得的，但不幸的是，我不能推荐一个图书馆
- 如果性能对你来说真的很重要，我会考虑编写你自己的matrix操作，因为你可能会执行一些库的通常不能做的优化，或者你使用的特定的库没有（如果你有多处理器机器，找出该库是否实际上是multithreading的）
对matrix运算的障碍往往是数据局部性的问题，当你需要遍历行和列时，例如在matrix乘法中，因为你必须按优化顺序存储数据。 但是如果你手动编写代码，有时你可以结合操作来优化数据的局部性 （例如，如果你将一个matrix乘以它的变换，你可以把列遍历成一个行遍历，如果你写一个专用函数而不是合并两个库函数）。 像往常一样，图书馆会给你提供非最佳的performance，以换取更快的发展; 你需要决定performance对你有多重要。
我们用COLT进行了一些相当大的严肃的财务计算，并对此非常满意。 在我们强大的代码中，我们几乎从来不需要用我们自己的代码replaceCOLT实现。
在他们自己的testing中（显然不是独立的），我认为他们声称在英特尔手工优化汇编程序的2倍。 使用它的诀窍是确保你了解他们的devise理念，并避免无关的对象分配。
严重依赖Pentium和后来处理器的vector计算能力的Linalg代码（从MMX扩展开始，如LAPACK和现在的Atlas BLAS）并不是“非常优化的”，而是简单的行业标准。 要在Java中复制这种性能，您将需要本地库。 我已经遇到了与您描述的相同的性能问题（主要是为了能够计算Choleski分解），并且没有发现任何真正的高效性：Jama是纯Java，因为它应该只是实现者需要遵循的模板和参考工具包。 ..从来没有发生过。 你知道Apachemathcommons …至于COLT，我仍然要testing它，但它似乎严重依赖于忍者的改进，其中大部分是通过build立一个临时的Java编译器达到，所以我怀疑这将有助于。 那时候，我认为我们“只是”需要集体努力来build立一个本土的贾马执行机构……
在Varkhan的文章的基础上，奔腾特定的本地代码将会更好：
-
jBLAS：一个为Atlas提供JNI封装的alpha阶段项目： http ：//www.jblas.org。
- 作者的博客文章： http : //mikiobraun.blogspot.com/2008/10/matrices-jni-directbuffers-and-number.html 。
-
MTJ：另一个这样的项目： http : //code.google.com/p/matrix-toolkits-java/
你可能想看看jblas项目。 这是一个相对较新的Java库，使用BLAS，LAPACK和ATLAS进行高性能matrix运算。
开发者已经发布了一些基准 ，jblas从MTJ和Colt中脱颖而出。
我是la4j （Linear Algebra for Java）库的作者，这里是我的观点。 我一直在la4j工作3年（最新版本是0.4.0 [2013年6月1日]），直到现在我才能开始做性能分析和优化，因为我刚刚介绍了最小的必需function。 所以，la4j没有我想要的那么快，但我花费我的时间来改变它。
我目前正在将新版本的la4j移植到JMatBench平台中。 我希望新版本会显示更好的性能，因为在la4j中有一些改进，比如更快的内部matrix格式，不安全的访问器和matrix乘法的快速阻塞algorithm。
你有没有看过英特尔math核心库 ？ 它声称甚至ATLAS跑赢。 MKL可以通过JNI包装器在Java中使用 。
还有UJMP
对于三维graphics应用程序，lwjgl.utilvector实现超出上述提到的jblas约3倍。
我已经完成了一个vec4与4x4matrix的1百万个matrix乘法。
lwjgl在约18ms完成，jblas需要约60ms。
（我认为，JNI方法不适用于相对较小乘法的快速连续应用，因为翻译/映射可能比乘法的实际执行花费更多的时间）。
有许多不同的免费可用的Java线性代数库。 http://www.ujmp.org/java-matrix/benchmark/不幸的是，基准testing只能给你提供有关matrix乘法的信息（转换testing不允许不同的库利用它们各自的devise特性）。;
你应该看看这些线性代数库在被要求计算各种matrix分解时如何执行。 http://ojalgo.org/matrix_compare.html
我发现如果你正在创build大量的高维matrix，如果你把它改成使用单维数组而不是二维数组，你可以使得贾马的速度提高20％左右。 这是因为Java不能有效地支持multidimensional array。 即。 它创build一个数组的数组。
柯尔特已经这样做了，但我发现它比贾马更复杂，更强大，这可以解释为什么简单的function比柯尔特慢。
答案真的取决于你在做什么。 贾马尔不支持柯尔特可以做的事情的一小部分，使更多的差异。
Matrix Tookits Java（MTJ）之前已经提到，但也许值得一提的是任何人都在这个线程中磕磕绊绊。 对于那些感兴趣的人来说，似乎也有人谈论让MTJreplaceapache commons math 2.0中的linalg库，尽pipe我不确定最近进展如何。
您应该将Apache Mahout添加到您的购物清单中。
你不是在Java版本中颠簸吗？ 事实上，你花大部分时间在getEntry（）是一个线索，这是发生。
与Commons-Math可以看到的另一个问题是matrix是作为一个二维数组来pipe理的。 虽然我不认为所需的double-dereference是减速的原因，但这确实意味着单个行（假设[rowIdx] [colIdx]）实际上是单独的对象，将由GC单独处理。 你在GC上花了很多时间吗？
